RCP209 | Apprentissage statistique : modélisation décisionnelle et apprentissage profond

Programme

Les thèmes abordés dans les séances de cours et de travaux pratiques (TP) sont :

- Apprentissage supervisé : discrimination, régression, prédiction structurée.
- Evaluation et sélection de modèles.
- Arbres de décision et forêts d'arbres de décision (random forest).
- Machines à vecteurs de support (SVM) : discrimination, régression, estimation du support d'une distribution, ingénierie des noyaux.
- Réseaux de neurones, apprentissage de représentations, apprentissage profond (deep learning).
- Modèles graphiques, apprentissage structuré.

Chaque séance de cours est suivie d'une séance de travaux pratiques (TP) permettant de mettre en oeuvre les méthodes présentées.
Les TP sont réalisés en utilisant les plateformes Scikit-learn et Keras. Une introduction à Scikit-learn et à Keras est prévue lors des séances de TP.

Objectifs : aptitudes et compétences

Objectifs :

Ce cours présente des méthodes de modélisation décisionnelle à partir des données, notamment à travers les machines à vecteurs supports (SVM), les réseaux de neurones profonds, et la prédiction structurée, en vue de leur utilisation dans des applications réelles.
L'apprentissage automatique permet de construire, à partir des données empiriques, des modèles pour la prise de décision. Les méthodes abordées ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, le diagnostique médical, les véhicules autonomes, la bio-ingénierie, la climatologie, la sécurité environnementale, le marketing, la gestion de la relation client, la recherche d'information, etc.

Compétences :

Modélisation décisionnelle à partir de données, avec application à la reconnaissance de formes et à la fouille de données.

Prérequis

Cet enseignement s'adresse aux auditeurs souhaitant acquérir des connaissances sur la modélisation à partir des données pour la reconnaissance des formes et la fouille de données (data mining).
obligatoires : avoir suivi la première partie du cycle spécialisation de l'EICNAM ou avoir le niveau M1 (Bac + 4). Il est fortement recommandé d'avoir suivi au préalable l'UE RCP208 « Reconnaissance des formes et méthodes neuronales » ou un enseignement équivalent comportant une présentation des méthodes de base d'analyse des données et de modélisation descriptive des données.

Délais d'accès

Inscription 1er semestre et annuel :

• Modalité présentiel/hybride : de juillet à mi-octobre
• Modalité FOAD (100% à distance) : de juillet à mi-novembre

Inscription 2ème semestre :

• Modalité présentiel/hybride : de juillet à mi-février
• Modalité FOAD (100% à distance) : de juillet à mi-mars

Planning

Modalités

Modalités pédagogiques :

Pédagogie qui combine apports académiques, études de cas basées sur des pratiques professionnelles et expérience des élèves. Équipe pédagogique constituée pour partie de professionnels. Un espace numérique de formation (ENF) est utilisé tout au long du cursus.

Modalités de validation :

La note finale est la moyenne non pondérée entre la note obtenue au projet et la note obtenue à l'examen final.

Tarif

Plusieurs dispositifs de financement sont possibles en fonction de votre statut et peuvent financer jusqu'à 100% de votre formation.

Salarié : Faites financer votre formation par votre employeur

Demandeur d’emploi : Faites financer votre formation par Pôle emploi

Votre formation est éligible au CPF ? Financez-la avec votre CPF

Si aucun dispositif de financement ne peut être mobilisé, nous proposons à l’élève une prise en charge partielle de la Région Nouvelle-Aquitaine avec un reste à charge. Ce reste à charge correspond au tarif réduit et est à destination des salariés ou demandeurs d’emploi.

Pour plus de renseignements, consultez la page Financer mon projet formationopen_in_new ou contactez nos conseillers pour vous accompagner pas à pas dans vos démarches.

Passerelles : lien entre certifications

• CS9700A - Certificat de spécialisation Intelligence artificielle

Avis des auditeurs

Les dernières réponses à l'enquête d'appréciation de cet enseignement :

Fiche synthétique au format PDF

Taux de réussite

Les dernières informations concernant le taux de réussite des unités d’enseignement composant les diplômes

Taux de réussite